当「人工智能」和航空业结合在一起时，大家的第一反应可能是无人机。但这只是冰山一角。飞机制造商和航空公司在人工智能技术上投入了大量资源，积极探索应用场景，从驾驶舱到客户体验，几乎遍及整个行业。
多年来，自动化系统一直是商业航空的一部分。由于采用了「遥控驾驶」和自动飞行系统，机器学习和人工智能技术也成了「机组成员」。这些系统逐渐能够扮演副飞行员的角色，而不是简单地减少飞行员的工作量。
举个例子，最初为无人机（UAV）安全开发的系统，比如用于交通环境感知的广播式自动相关监视（ADS-B），已被迁移到驾驶舱中。为满足弥补驾驶操控特性的需要，人们开发出类似机动特性增强系统（MCAS）的新系统，以提高安全性。这些系统可以根据飞行条件，利用传感器数据自动调整飞行操作面。
但是，机器学习系统的好坏取决于它们得到的数据。很少有人能够理解让机器学习或人工智能接管高危环境中的人类工作所隐含的风险。
最近发生的 Lion Air 610 坠机事件仍在调查过程中，不过，从目前披露的细节来看，飞机已经过多将控制权交给自动系统的举措，存在很大风险。然而，灾难性的航空事故很少因单一错误而发生（这次也不例外），MCAS 传感器失灵、维修未能完全解决问题、飞行员没有受到充分培训且未完全了解 MCAS 的功能和使用方法，都会引发事故。
189 条生命所获得的惨痛教训是，航空业必须将数据质量，对机器学习与人工智能系统的关注与发展需要一并融入安全文化中。既然机器学习和人工智能改变了飞行员的角色，也应该参照同类角色，对这些技术进行全面测试：至少达到相同水平，才算具备岗位能力。
超越自动驾驶
2015 年迪拜航展期间展出的空客 A350 XWB 飞机有超过 50,000 个传感器，每天收集的飞行和性能数据总计超过 2.5TB。
空客（Airbus）等主要飞机制造商已经逐步进入 AI 阶段。据空客副总裁 AI Adam Bonnifield 称，公司正长期致力于发展这些技术。
「由于我们的行业背景，以及过去在解决自主化系统问题上积累的经验，我们对这些技术并不陌生。」他告诉我们。
这架现代客机上有大量数据可供机器学习挖掘：空客（Airbus）于 2015 年推出的双引擎宽体飞机 A350 XWB 拥有约 5 万个传感器，每天可收集 2.5TB 数据。人工智能可以通过多种方式利用这些数据。
空客正在研究如何减少飞行员认知负荷（以及由此产生的认知疲劳）、降低驾驶舱飞行员数量，这样，机组人员可以投入更多时间来处理整体战略和飞行任务，而不是花费大量时间在所有小问题上。
Bonnifield 解释说，虽然许多人认为飞机中的自动驾驶是「二值的」：自动或不自动，但他不这么认为：「这更像一个光谱，」他说，「我们尝试用人工智能来解决飞行过程中的一些小问题。」
例如，空客飞机上的一种跑道超限保护选项。ROPS 软件负责计算飞机进场速度和重量，它将计算出的物理模型与已知的跑道长度和实时的天气进行比较，如果检测到不安全的情况，它会广播「跑道过短！」ROPS 还可以为着陆计算最佳滑行斜率或轨迹，并对滑行、起飞和飞行等其他操作有所帮助。
空客公司的另一个人工智能重点领域是，建造自动驾驶汽车和空中出租车，为城市居民提供交通服务。当飞行员因机舱压力下降而失去意识时，人工智能可能会接管飞行器。在高压情况下，假定数据正确无误，人工智能可以更快地综合各类因素，制定更合理的决策，增加安全性。
让沟通更容易
伦敦地区控制中心 LACC 的空中交通管制员。嘈杂通信频道中浓重的英语口音，是对语音识别系统的真正考验。
空中交通管制（Air Traffic Control，ATC）通信对所有航班来说，都很关键。
在欧洲领空，很多对话都是用带有浓重口音，飞行员和管制员很难相互理解。飞行员无法看到驾驶舱外的情况时，需要在仪表飞行气象条件（instrument meteorological conditions，IMC）下收听机尾/航班号，获取方向指示、交通警报等信息。空客公司打算运用人工智能来解决语音识别问题，这也是其 AI Gym 竞赛内容的一部分。在 AI Gym 这项计划中，空客通过寻求外部合作，协助开发突破性人工智能系统。
空中交通对话清晰化，对于机器学习来说，是一件难度很高的任务，因为 ATC 音频噪音很大，而且会话很快，充满了「特定领域词汇」。AI Gym 希望可以提供 ATC 音频的完整转录，并能从音频中提取飞机通话信号，用于通话跟踪和报警。
2018 年 10 月，比赛结束，空客已经开始将研究成果转化为产品。AI Gym 允许空客公司借助外部专业技术，挖掘人工智能的许多其他潜在用途。
「我们有许多需要探索并加以解决的问题和有趣的案例。」Bonnifield 说。部分原因在于这个技术比较新，正处在非常不成熟的阶段，有很多的实验，还有一些很棒的开源技术。
借助这个项目，空客正与「普通嫌疑犯」（美国电影名，这里用来比喻合作的隐秘性，因为有保密协议）合作。这样合作的方式有个好处：即使失败，也不至于弄到世人皆知。虽然我们也期望这些神秘的合作伙伴能提供最高性能的解决方案，但 Bonnifield 发现，大多数时候最好的解决方案来自小微初创公司。
只有少数人的研究团队常常能够提供最佳解决方案。Bonnifield 说，他相信这可能是 AI 领域的独特之处。空客公司面临的最大挑战是，如何让这些处于创新前沿的小型团队走到一起，并为他们提供一种简单的协作方式。
这要求空客改变与外界合作的方式，「一些初创公司之前甚至从做过征求意见书（RFP），」Bonnifield 解释道。
落地到业务
在飞行安全问题上，航空公司非常依赖设备制造商（如空客和波音公司）。但是，航空公司也需要机器学习和人工智能辅助内部管理──实现地面作业流水化，通过尽可能实现「无缝旅程」创造最佳客户体验。
美联航正在投资所有可用的新技术，利用机器学习从客户那里收集后端数据、维护日志、员工值勤日志和飞行中的渐进数据，全面改善业务。国联合航空公司数字产品和分析副总裁 Praveen Sharma 说。
9 月，美联航和 Palantir 宣布了一项长期合作关系，将 Palantir Foundry 作为该航空公司的中心平台，加速内部关键业务部门之间的企业级数据计划。
「真正的挑战是... 将公司各部门不同平台的海量数据集成到一个平台上... 我们可以利用这个平台建立机器学习和人工智能模型。」Sharma 表示，过去一年，为实现该目标，两家公司开展了一系列研究项目。
Palantir 与空客公司合作创建了 Skywise，这是一个航空数据分析平台，空客公司为小型航空公司提供订购服务，其中包括帮助减少飞行意外的维护工具。通用电气还尝试将飞机传感器数据转换为基于机器学习的的服务，以推动公司喷气发动机的预测性维护。
美联航及其地区航空公司联合快运每天运营约 4,600 个航班，飞往五大洲的 357 个机场。去年，两家公司运营了 160 多万个航班，载客超过 1.48 亿。当不可预见的维护问题或其他操作问题发生时，美联航会使用机器学习来协同换掉飞机。这并不像人们想象的那么简单；系统必须考虑分配机组人员所需的所有变量（例如休息时间和机组人员飞机认证书），飞机燃料和操作限制以及飞机座位容量。
「这些复杂的决策，往往必须要根据当时可用的有限数据，在 25 分钟的时间内做出。」Sharma 解释道。
不仅仅是维护
美联航对机器学习和人工智能的使用，远远超出了管理维修和飞机时刻表的范畴。它还可以利用客户数据。基于每名乘客的交互数据，美联航利用人工智能和机器学习优化客户体验──调整机票价格以匹配乘客资料。
美联航的机器学习算法可以获取 150 个不同的客户和航班数据点，并实时决定购买或登记点应该将哪种产品展示给客户。该引擎考虑了乘客的曾购买、偏好、目的地和活动等因素。
通过实时决策引擎展开的互动，始于 2014 年，该引擎为客户提供各种产品选择，改善旅行体验，比如航班选择、座位升级、里程购买或者优先值机权。
Sharma 说，美联航使用了基于贝叶斯推理的预测模型。「它不仅仅决定了提供的内容，」Sharma 解释说，「还决定了在客户面前展示的形象以及标语。」
Sharma 说，机器学习的应用正在取得效果。根据美联航收集的测量结果，客户不必再去寻找他们想买的东西或想要的体验。
其他航空公司也正在以其他方式运用人工智能，进而减轻行程的不适（并减少航空公司员工的工作量）。人脸识别技术现在正出现在航站楼中，帮助机场乘客加快办理登机手续。大多数人脸识别算法都基于深度学习，这是机器学习的一部分。达美航空公司是第一个实施此流程的航空公司，据该公司估计，此举将乘客登机时间缩短了近 10 分钟。该系统目前用于国际航班的登机手续和行李托运。，达美预计明年将其扩展至国内航班。
预防灾难
人工智能最重要的用途之一，可能是在灾难发生之前识别出安全风险。例如，Lion Air Flight 610 坠机事件，自动控制系统发生故障，可能就预示着一个重大安全问题。
位于硅谷的 NASA 艾姆斯研究中心正积从事与航空相关的人工智能研究，一个项目重点就是识别商业航空事件数据中的「异常运行」，而这些数据可能预示着潜在的更大问题。这正是 Nikunj Oza 的主要研究领域，Nikunj Oza 是一名计算机科学家，负责 NASA 艾姆斯研究中心的智能系统部门（即 Code TI）。因为商业航空的安全记录非常好──比驾驶要好很多，所以，识别那些可能存在安全问题的异常情况，要困难得多。
NASA 已经初步开发了一些算法，主要用于异常情况监测和事故前兆的识别，并已经开始接收专家们的相关反馈。目前，NASA 正在开发一套用于飞机数据安全性分析的系统──特别为联邦航空管理局数据分析合作伙伴 Mitre 服务。
Mitre 是联邦资助的研发中心，正在实施「航空安全信息分析和共享（ASIAS）计划」，这是一个数据联盟──NASA、联邦航空管理局、国家运输安全委员会、飞机制造商和 50 多家航空公司之间共享安全数据。航空公司将部分航班记录数据子集上传到 Mitre，Mitre 会对潜在问题进行分析并提供反馈。（数据由航空公司秘密共享。）
艾姆斯研究中心正在开发的数据分析方法，希望借助人工智能及时发现飞行数据中的异常模式（这可能表明飞机存在系统性问题）。
「你希望尽快发现问题并找到解决措施，以防止再次发生这种情况，」Oza 解释说，到目前为止，在航空领域人工智能并没有完全取代人类，人工智能和人类专家的关系被证明是互补的──一种可以拯救生命的伙伴关系。
【来源：人工智能学家】
